Komputer kuantum yang belajar dari kesalahannya sendiri

Google Research, bekerja sama dengan Google DeepMind, menerbitkan makalah di Nature berjudul "Reinforcement Learning Control of Quantum Error Correction" yang mendemonstrasikan kerangka kerja pembelajaran penguatan (RL) yang memungkinkan komputer kuantum untuk terus beradaptasi terhadap penyimpangan selama komputasi panjang tanpa berhenti. Agen RL belajar dari peristiwa deteksi kesalahan biner yang dihasilkan oleh koreksi kesalahan kuantum (QEC) untuk secara dinamis mengarahkan ribuan parameter kontrol seperti frekuensi, amplitudo, dan fase. Pendekatan ini divalidasi pada prosesor superkonduktor Willow, di mana pengarahan RL meningkatkan stabilitas logis dari kode koreksi kesalahan sebesar 3,5 kali lipat. Penyesuaian halus dengan RL setelah kalibrasi ahli yang ekstensif lebih lanjut mengurangi tingkat kesalahan logis sebesar 20%. Teknologi gabungan ini mencapai tingkat kesalahan logis yang sangat rendah: kurang dari satu per seribu siklus koreksi kesalahan dalam kode permukaan, dan satu per seratus dalam kode warna. Simulasi numerik dengan ratusan qubit menunjukkan bahwa jumlah iterasi pelatihan RL yang diperlukan tidak bergantung pada ukuran sistem.